Học sâu Python - Nguyên tắc cơ bản
Trong chương này, chúng ta sẽ xem xét các nguyên tắc cơ bản của Học sâu Python.
Mô hình / thuật toán học sâu
Bây giờ chúng ta hãy tìm hiểu về các mô hình / thuật toán học sâu khác nhau.
Một số mô hình phổ biến trong học sâu như sau:
- Mạng nơ-ron hợp hiến
- Mạng nơron lặp lại
- Mạng lưới niềm tin sâu sắc
- Mạng lưới đối thủ chung
- Bộ mã hóa tự động, v.v.
Các đầu vào và đầu ra được biểu diễn dưới dạng vectơ hoặc tenxơ. Ví dụ: một mạng nơ-ron có thể có các đầu vào trong đó các giá trị RGB pixel riêng lẻ trong một hình ảnh được biểu diễn dưới dạng vectơ.
Các lớp tế bào thần kinh nằm giữa lớp đầu vào và lớp đầu ra được gọi là lớp ẩn. Đây là nơi mà hầu hết công việc xảy ra khi mạng lưới thần kinh cố gắng giải quyết các vấn đề. Xem xét kỹ hơn các lớp ẩn có thể tiết lộ rất nhiều về các tính năng mà mạng đã học để trích xuất từ dữ liệu.
Các kiến trúc khác nhau của mạng nơ-ron được hình thành bằng cách chọn nơ-ron nào để kết nối với các nơ-ron khác trong lớp tiếp theo.
Mã giả để tính toán đầu ra
Sau đây là mã giả để tính toán đầu ra của Forward-propagating Neural Network -
- # node []: = mảng các nút được sắp xếp theo cấu trúc liên kết
- # Cạnh từ a đến b nghĩa là a nằm bên trái b
- # Nếu Mạng thần kinh có đầu vào R và đầu ra S,
- # thì R nút đầu tiên là nút đầu vào và nút S cuối cùng là nút đầu ra.
- # đến [x]: = các nút được kết nối với nút x
- # weight [x]: = trọng số của các cạnh đến x
Đối với mỗi nơron x, từ trái sang phải -
- nếu x <= R: không làm gì # nó là một nút đầu vào
- đầu vào [x] = [đầu ra [i] cho tôi trong [x]]
- weighted_sum = dot_product (weights [x], input [x])
- output [x] = Kích hoạt_ chức năng (weighted_sum)